Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés
Megértés Big Data
A Spark áttekintése
A Python áttekintése
A PySpark áttekintése
- Adatok elosztása rugalmas elosztott adatkészletek keretrendszerrel
- Számítás elosztása Spark API-operátorok segítségével
Beállítás Python a Spark segítségével
Beállítás PySpark
Amazon Web Services (AWS) EC2 példányok használata a Sparkhoz
Beállítás Databricks
Az AWS EMR-fürt beállítása
A Python Programming alapjainak elsajátítása
- Kezdő lépések: Python
- A Jupyter Notebook használata
- Változók és egyszerű adattípusok használata
- Munka a listákkal
- Az if-kimutatások használata
- Felhasználói bemenetek használata
- A while Loops használata
- Funkciók megvalósítása
- Osztályokkal való munka
- Fájlok és kivételek kezelése
- Munka projektekkel, adatokkal és API-kkal
A Spark DataFrame alapjainak elsajátítása
- A Spark DataFrames használatának első lépései
- Alapvető műveletek végrehajtása a Spark segítségével
- Groupby és Aggregate Operations használata
- Időbélyegek és dátumok használata
Spark DataFrame projekt gyakorlaton való munka
A Machine Learning értelmezése az MLlib segítségével
MLlib, Spark és Python használata a Machine Learning-hoz
A regressziók megértése
- Lineáris regresszióelmélet elsajátítása
- Regressziós értékelési kód végrehajtása
- Egy minta lineáris regressziós gyakorlaton végzett munka
- Logisztikai regresszióelmélet elsajátítása
- Logisztikai regressziós kód végrehajtása
- Minta logisztikai regressziós gyakorlaton dolgozni
A Random Forest-ok megértése és a döntési fák
- Tanulási fa módszerek elmélete
- Végrehajtási határozatok fák és Random Forest kódok
- Munka egy mintán Random Forest Osztályozási gyakorlat
Munka a K-eszközök klaszterezéssel
- A K-eszközök klaszterezés elméletének megértése
- K-eszköz klaszterezési kód megvalósítása
- Mintacsoportosítási gyakorlaton való munka
Recommender Systems használata
A természetes nyelvi feldolgozás megvalósítása
- Megértés Natural Language Processing (NLP)
- Az NLP eszközök áttekintése
- Munka egy minta NLP gyakorlaton
Streamelés a Spark segítségével a Python-en
- Áttekintés Streamelés a Spark segítségével
- Minta Spark Streaming Gyakorlat
Zárszó
Követelmények
- Általános programozási ismeretek
Közönség
- Fejlesztők
- IT szakemberek
- Adattudósok
21 Órák
Vélemények (6)
I liked that it was practical. Loved to apply the theoretical knowledge with practical examples.
Aurelia-Adriana - Allianz Services Romania
Kurzus - Python and Spark for Big Data (PySpark)
The course was about a series of very complex related topics & Pablo has in-depth expertise of each of them. Sometimes nuances were lost in communication and/or due to time pressures and possibly expectations were not quite met due to this. Also there were some UHG/Azure Databricks setup issues however Pablo / UHG resolved these quickly once they became apparent - this to me showed a high level of understanding and professionalism between UHG & Pablo,
Michael Monks - Tech NorthWest Skillnet
Kurzus - Python and Spark for Big Data (PySpark)
Individual attention.
ARCHANA ANILKUMAR - PPL
Kurzus - Python and Spark for Big Data (PySpark)
Hands on Training..
Abraham Thomas - PPL
Kurzus - Python and Spark for Big Data (PySpark)
The lessons were taught in a Jupyter notebook. The topics were structured with a logical sequence and naturally helped develop the session from the easier parts to the more complex. I'm already an advanced user of Python with background in Machine Learning, so found the course easier to follow than, possibly, some of my classmates that took the training course. I appreciate that some of the most elementary concepts were skipped and that he focused on the most substantial matters.
Angela DeLaMora - ADT, LLC
Kurzus - Python and Spark for Big Data (PySpark)
practice tasks
